蔣賢才，程國柱

(東北林業(yè)大學，土木與交通學院，哈爾濱 150040)

0 引言

網聯自動駕駛車(CAV)的出現將重塑道路交通系統的管理和控制方法，但短時間內自動駕駛并不會完全取代人工駕駛，將與人工駕駛長時間共存[1]。網聯交通環(huán)境下，如何有效調度交叉口的CAVs 與CHVs，實現控制效益的最大化，是目前需要著手解決的問題。近年來，基于CAV 軌跡的可控性和CHV 速度的可誘導性，交叉口時空資源優(yōu)化配置已成為國際交通控制方向的研究前沿和熱點問題，優(yōu)化目標從傳統的信號相位及配時(Signal Phase and Timing,SPaT)優(yōu)化轉變到CAV 軌跡與SPaT的聯合優(yōu)化，以及CAV專用車道的配置等，但核心問題歸結為CAV的軌跡優(yōu)化?，F有優(yōu)化策略呈現以下特點：

(1)CAV與CHV共享車道(混合通行)

例如，GUO等[2]采用傳統相位設計提出兩步優(yōu)化法優(yōu)化CAV軌跡和SPaT，第1步，使用動態(tài)規(guī)劃法設計SPaT，減少交叉口延誤；第2步，通過啟發(fā)式算法依據SPaT 尋找最優(yōu)的CAV 軌跡。POURMEHRAB 等[3]提出一種整合孤立交叉口AV(Automated Vehicle)軌跡規(guī)劃與SPaT 優(yōu)化的控制算法，旨在通過聯合優(yōu)化實現進入車輛與SPaT 的協調。王潤民等[4]提出基于滾動優(yōu)化的SPaT 與車輛軌跡協同優(yōu)化控制方法。劉春禹等[5]構建人機混合駕駛環(huán)境下CAV 軌跡優(yōu)化模型。龐明寶等[6]提出CAV借用公交專用車道的控制策略。上述研究CAVs 與CHVs 在交叉口進口車道混合通行，未考慮CAV滲透率變化決策是否設置CAV專用車道以提升交叉口的通行能力。

(2)CAV專用車道

BAHRAMI 等[7]研究表明，混合駕駛車道飽和流率隨CAV 滲透率呈非線性增長，當CAV 滲透率高于某個閾值時，將CAVs 和CHVs 分離行駛有助于提高車道組的飽和流率，提升交叉口的運行性能?；诖耍琑EY等[8]最早提出交叉口進口CAV專用車道的概念，將CAVs 與CHVs 在進口車道分離行駛，提升交叉口的通行能力；JIANG 等[9]考慮CAV 滲透率變化提出一種SPaT 與CAV 軌跡聯合優(yōu)化的動態(tài)CAV 專用車道分配方法，避免過渡或低效使用CAV 專用車道；宗芳等[10]界定不同CAV比例、進口道車道數、交通量和信號配時方案組合情況下交叉口進口CAV 專用車道的動態(tài)設置條件。為進一步挖掘CAV專用車道的利用潛力，MA等[11]提出左轉與直行CAVs共享CAV專用車道的優(yōu)化控制方法，但共享的CAV 專用車道配置是靜態(tài)的，無法適應CAV滲透率的變化。

(3)CAV專用相位

REY等[8]通過設置CAV專用車道，并在現有信號相位基礎上設置一個僅供CAVs 使用的專用相位——藍色相位，提升信號控制應對交通環(huán)境變化的靈活性，并利用CAV 的可控性和高通行效率。NIROUMAND 等[1]基于REY 等[8]的思想提出白色相位及其信號控制方法，但白色相位無需CAV 專用車道，當出現CAV領頭的CHV車隊時，插入一個白色相位，通過優(yōu)化帶隊CAV 的運動軌跡和進入交叉口的時間，使CAV 領導的CHV 車隊安全通過交叉口。無論藍色相位還是白色相位，都難以解決多車道交叉口大規(guī)模CAVs 集中MVMP(Multi-Vehicle Motion Planning)的優(yōu)化問題，僅適用于低交通需求的簡單交叉口。

基于此，本文考慮交叉口動態(tài)的交通需求及CAV 滲透率變化，提出一種直行CAVs 和左轉CAVs共享CAV專用車道(CAV共享車道)的動態(tài)配置方法，有別于以往的非常規(guī)交通信號控制，即綜合待行區(qū)和借道左轉(進口車道功能配置均靜態(tài))，提出的方法不僅利用CAV軌跡的可控性消除前置預信號燈，而且共享的CAV 專用車道數量及前置預信號燈的位置可隨交通流量和CAV滲透率動態(tài)調整，以提升網聯交通環(huán)境下交叉口時空資源的利用效率。

1 CAV共享車道內涵

本文中CAV 專用車道指僅供直行CAVs 或僅供左轉CAVs 使用的交叉口進口車道，CAV 共享車道指該進口車道僅供CAVs 專用且直行CAVs 和左轉CAVs均可使用；靜態(tài)CAV專用車道或靜態(tài)CAV共享車道指該類車道設立后，在較長時間內(至少0.5 h 以上)不改變其用途，而動態(tài)CAV 專用車道或動態(tài)CAV共享車道則隨交通流量和CAV滲透率變化頻繁調整，調整包括兩方面：一是，是否需要設立；二是，設立時需要幾條此類的車道。

設所有車輛均為網聯車，進入交叉口交通信號控制機通信范圍內(5G 在密集的市區(qū)可靠通信距離在250～400 m，以最不利條件確定本文的檢測范圍：以交叉口為中心200 m 范圍內)，其速度、位置、加速度和車輛類型(CAV 或CHV)等信息交通信號控制機均可實時獲取。定義L為交叉口所有車道組的集合，Bsl代表車道組l∈L中全部CAV共享車道的集合，Bal和Bhl各自代表車道組l∈L中全部CAV 專用車道的集合和人工駕駛車道(含右轉CAVs 的混合駕駛車道)的集合。Ibl為車道組l∈L中車道b∈Bhl上的全部車輛集合，Abl為車道組l∈L中車道b∈Bal或b∈Bsl上的全部CAV集合。交叉口示例如圖1所示。

圖1中，當某個進口有必要設置CAV共享車道時，該車道一般位于左轉車道和直行車道之間。交叉口相位方案采用雙環(huán)結構確定。以其中一種相位方案為例：東西向先左轉，后直行，如圖2 所示。類似于綜合待行區(qū)的控制方法，紅燈期間控制直行CAVs、左轉CAVs 及阻滯的左轉CHVs 分別在虛擬停車線后的直行車道和左轉車道排隊；左轉相位開啟前，引導虛擬停車線后左轉車道的CAVs 與CHVs 各自進入CAV 共享車道和人工駕駛左轉車道，待左轉信號開啟后同時放行；左轉相位結束前，清空CAV 共享車道上的左轉CAVs，并將后續(xù)到達的左轉CAVs控制在虛擬停車線后停車等待，同時，引導虛擬停車線后的直行CAVs 進入CAV 共享車道。同理，直行相位結束前也需清空CAV 共享車道上的直行CAVs。無虛擬停車線的車道，CAVs與CHVs直接行駛至交叉口停車線處，排隊等待。

圖2 交通流放行示意Fig.2 Release diagram of traffic flow

為避免左轉CHVs 阻塞虛擬停車處，考慮實時交通需求和CAV滲透率，進口i虛擬停車線Li的動態(tài)位置確立為

式中：vcross為交叉口限速(m·s-1)；Vl,i為進口i左轉短時預測交通量(pcu·(5 min)-1)；pl,i為進口i左轉CAV滲透率(%)；a1為期望加/減速度(m·s-2)；dv為車輛長度(m)，dhi為排隊時CHV 之間的安全距離(m)；θ為左轉CAV變道時轉向角。式(1)中，第1項為排隊CHVs 占用的車道凈空長度(因預測時間步長約為3個信號周期，取均值時，第1項數字應為3，考慮到短時交通需求的隨機波動，對每信號周期CHVs排隊長度進行放大，此處取2)；第2項為左轉CAVs變道時行駛的最小距離。

2 優(yōu)化方法

2.1 目標函數

基于CAV 共享車道內涵，當進口車道條數不低于3時，以交叉口所有車道組l流率比之和最小為優(yōu)化目標確立各個進口CAV 共享車道的條數，即

該優(yōu)化模型需滿足以下約束條件：

式中：bl,e為車道組l對應的出口車道條數；bi,s為進口i中CAV 共享車道的條數；bl,1為車道組l中CAV 專用車道的條數；bl,2為車道組l中人工駕駛車道的條數；bl,3為車道組l中混合駕駛車道的條數；bi為進口i中車道總條數；分別為設立CAV 共享車道后車道組l中剩余的CAV 專用車道、人工駕駛車道和混合駕駛車道條數；pl,cav為車道組l中CAV的滲透率；γl為車道組l中CAV右轉車的比例；Vl為車道組l的交通流量(pcu·s-1)；Sl,1為車道組l中CAV 專用車道的飽和流率(pcu·s-1)；Sl,2為車道組l中人工駕駛車道的飽和流率(pcu·s-1)；Sl,3為車道組l中混合駕駛車道的飽和流率(pcu·s-1)。

式(2)中，一個車道組的流率比由其中各條車道流率比的最大值決定，當車道組中有CAV 專用車道/CAV 共享車道時(即式(2)中第1 種情況)，此時，CAVs 與CHVs 分車道行駛，不同類型車道的流率比需分別計算取最大值，第1 項，代表CAV 專用車道/CAV 共享車道的流率比，第2 項，代表人工駕駛車道與混合駕駛車道的流率比；當車道組中無CAV專用車道或CAV 共享車道時(即式(2)中第2 種情況)，全部車道均為混合駕駛車道，流率比按第1 種類型車道計算。式(3)和式(4)表示CAV共享車道的設置應有助于降低整個進口的流率比；式(5)要求出口車道的條數不能低于車道組l的條數；式(6)代表各種功能車道分配后進口i總的車道條數不變。

2.2 CAV共享車道動態(tài)配置方法

定義車道飽和度(rl)與轉換指數(Ci)建立進口i動態(tài)的CAV共享車道配置方法。

(1)當進口i中有CAV共享車道時rl用CAV共享車道的飽和度代替，即

式中：hbl為車道組l中車道b的飽和車頭時距(s)；gl,k為第k周期車道組l的綠燈時長(s)。

轉換指數確立方法為

式中：ε1、ε2分別為低飽和度閾值和高飽和度閾值(s)；Cl,1為低飽和度轉換指數；Cl,2為高飽和度轉換指數；Ci為進口i重啟CAV 共享車道配置轉換指數。

(2)當進口i中無CAV共享車道時

若bl,1＞0，rl用車道組l中CAV 專用車道的飽和度代替，即

否則，rl用車道組l中人工駕駛車道(包含混合駕駛車道)的飽和度代替，即

轉換指數確立方法為

研究表明，當相位飽和度超過0.9時，交叉口容易發(fā)生交通擁堵[12]；而當相位飽和度低于0.6時，進口車道又未能得到充分利用[13]。此處的車道飽和度與相位飽和度相當，表明，rl≥0.9時，進口車道交通需求過高，有必要重新配置車道功能，增加車道組l的飽和流率，降低rl，避免交通擁堵。同時，當rl≤0.6 時，CAV 專用車道的有效利用率低，也需重新配置車道功能，以均衡不同類型車道的交通負荷。因此，ε1=0.6，ε2=0.9。

當重啟服務于未來信號周期的車道功能配置時，需要預測未來一段時間各車道組的交通流量與CAV滲透率。目前，滿足精度要求的短時交通流預測模型，其預測數據的時間步長一般不低于5 min，約3 個信號周期。為避免在一個時間步長內重復預測，重新開啟車道功能配置的時間間隔應不小于預測數據的一個時間步長。因此，轉換指數的閾值設為3。即Cl,1=3或Cl,2=3時，車道組l將依據式(2)和式(3)～式(6)重啟車道功能的配置，然后，重置Cl,1=0和Cl,2=0。

2.3 CAV共享車道控制方法

CAV 共享車道上，CAVs 調度時的軌跡優(yōu)化如圖3所示。

圖3 CAV共享車道的軌跡優(yōu)化Fig.3 Trajectory optimization of CAV-shared lane

(1)調度時間

為盡量減少停車次數，從虛擬停車線進入CAV共享車道的CAVs達到停車線時正好趕上綠燈開啟時刻為佳，基于此，各相位虛擬停車線后CAVs的調度時刻為

為清空CAV 共享車道上的CAVs，需從下述時刻開始將虛擬停車線后的CAVs控制在虛擬停車線處排隊等待，即

式中：gl,k為車道組l所在相位第k周期的時長(s)。

(2)調度方法

當僅有1條CAV共享車道時，虛擬停車線僅在CAV 共享車道及其內側相鄰車道的后方布置，如圖4所示。直行CAVs在CAV共享車道后的虛擬停車線處排隊，左轉CAVs 在直行CAVs 的內側車道排隊。此時，若左轉車道僅1 條，當虛擬停車線后左轉車道無CAVs 時，左轉CHVs 不受虛擬停車線約束，直接行駛至交叉口停車線后排隊；當虛擬停車線后左轉車道有CAVs 時，其后的CHVs 會受到阻滯，部分CHVs 會產生二次停車；在開啟虛擬停車線后的左轉車流時，CAVs 與CHVs 各自進入CAV 共享車道和人工駕駛左轉車道。若左轉車道不止1條，則虛擬停車線后左轉CAVs與左轉CHVs分車道行駛，左轉CHVs 直接行駛至交叉口停車線后排隊。

圖4 左轉與直行CAVs利用1條CAV共享車道示意Fig.4 A CAV-shared lane for left-turn and through CAVs

當有多條CAV 共享車道時，問題轉化為虛擬停車線L1后m1股左轉CAVs和m2股直行CAVs復合利用m條CAV 共享車道的分時調度(m=m1+m2)，如圖5所示。m1∶m2依據左轉CAVs與直行CAVs的比例取整確立，此時，左轉CHVs直接行駛至交叉口停車線后排隊。

圖5 左轉與直行CAVs利用多條CAV共享專用車道示意Fig.5 Multiple CAV-shared lanes for left-turn and through CAVs

2.4 車輛軌跡控制模型

車輛速度和位置的更新需遵循基本的運動方程，即

將CAVs 的速度和加速度限制在允許的范圍內，即

式中：xibl(t) 為時刻t車道組l中車道b上車輛i的位置(m)；vibl(t)為時刻t車道組l中車道b上車輛i的速度(m·s-1)；aibl(t) 為時刻t車道組l中車道b上車輛i的加速度(m·s-2)；aacc為最大加減速度(m·s-2)；vmax為最大限速(m·s-1)；vmin為最小限速(m·s-1)。

本文中，CHV 跟馳前車的模型采用Panwai 和Dia(2005)建立的改進模型，以與現實世界真實交通數據相一致，即

式中：ds為跟馳時相鄰車輛的安全距離(m)；τh為CHV 的反應時間(s)；α1,α2為系數。式(21)中，第1項考慮了前車和跟馳車輛間的相對速度；第2項考慮了連續(xù)車輛間的相對距離。

CAV 跟馳模型采用智能駕駛模型(Intelligent Driver Model,IDM模型)，基本形式為

式中：dai為阻塞時間距(m)。

2.5 優(yōu)化流程

本文采用分枝定界法的求解器求解式(2)。SPaT采用文獻[9]的方法優(yōu)化得到，然后，在逐相位運行過程中，實時監(jiān)測各相位的轉換指數，當轉換指數等于3 時，在下一信號周期開啟前，采用基于張量的方法(tensor-based approach)[14]預測未來5 min各車道組的交通流量及CAV滲透率。該方法采用三維歷史交通流數據(星期、日及時間間隔)構建張量進行短時交通流預測，預測數據的時間步長為5 min，大致約3個信號周期。本文中，將小時交通量劃分為12 個時間段，并將首尾時間段相連形成環(huán)路?？紤]到星期和日的歷史交通量數據主要用來校正預測結果的精度，在預測過程中，將預測時段前連續(xù)4 個時段交通量的均值構建為歷史日交通量數據，連續(xù)8個時段交通量的均值構建為歷史星期交通量數據。以預測第5 個時間步長交通量為例，如圖6 所示，其中，第1、第2、第3 和第4 時間步長的交通量為時間間隔交通量，1-4、12-3、11-2和10-1 時間步長的均值作為歷史日交通量數據，9-4、8-3、7-2和6-1時間步長的均值作為歷史星期交通量數據；以此類推。CAV滲透率的預測方法同交通流量預測方法。

圖6 預測過程中歷史交通數據的構建方法Fig.6 Generation method of historical data in prediction process

基于上述預測結果，采用提出的方法重新確立各交叉口進口CAV 共享車道的配置，并以此為基礎優(yōu)化SPaT，優(yōu)化流程如圖7所示。

圖7 優(yōu)化流程Fig.7 Flow chart describing solution

3 交通仿真

3.1 仿真參數

BAHahramiRAMI 等[7]研究表明，CAV 專用車道的飽和流率為人工駕駛車道的2 倍。參考文獻[1,3,15]，本文中相關參數的取值如表1 所示。基于VISSIM中COM組件開發(fā)算法，更新車輛軌跡并在CAV/CHV 與信號控制器之間交換信息。在VISSIM 中的車道上設置交通流檢測器，采集每輛車進入路段的時間和速度，每0.5 s 采集1 次，車輛加速度、速度和位置每0.5 s更新一次。

表1 本文中使用的參數值Table 1 Value of parameters used in this study

東、西、南及北連接路段長度均取550 m，各進口小時交通量如表2 所示，其中，右轉CAV 的比例為0.03。

表2 小時交通流量Table 2 Traffic volume per hour (pcu·s-1)

3.2 仿真設計

設計3 種仿真方案進行對比分析。方案1，文獻[9]提出的Dynamic CAV-dedicated lane 法；方案2，本文提出的優(yōu)化方法；方案3，文獻[11]中提出的Shared-phase-dedicated-lane 法。統一各進口道各類車道車輛進入路段的時間和速度，保證仿真的動態(tài)性和一致性。

4 結果與討論

4.1 結果分析

交通仿真結果如表3～表5所示，括號內的百分比為方案2較方案1的改變情況。

表3 停車率Table 3 Stop rate

從表3 和表4 中可以看出，在交通條件不變的情況下，方案2延誤較方案1下降了6.25%，也歸因于CAV 共享車道所致。方案2 并沒有改變方案1中直行車的通行狀況，但極大地改善了左轉車的通行狀況，相當于多增加了1 條左轉CAV 專用車道；在相同交通條件下，左轉車所需的綠燈時間僅為方案1 中的60%左右，既壓縮了左轉相位的綠燈時間，也縮短了信號周期時長，因此，每個相位的延誤均有不同程度地下降。然而，方案2 較方案1 停車率增加了7.47%，主要歸因于左轉與直行CAVs 輪流使用CAV 共享車道導致部分CAVs 二次停車。文獻[16]研究表明，減少車輛停車再啟動的次數，能在一定程度上降低交叉口范圍內發(fā)生車輛碰撞的風險。但這是針對駕駛人存在反應延遲而言的，鑒于CAV強大的環(huán)境檢測能力和低延遲的反應操控能力，CAVs 二次停車發(fā)生碰撞的風險會極大弱化。停車率上升，車輛走走停停，會對乘坐的舒適性產生一定影響。

表4 車輛平均延誤Table 4 Average delay

從表5 可以看出，方案2 較方案1，除人工駕駛左轉車道外，其他車道的時間利用率均得到顯著提升，特別是CAV共享車道，如圖8(a)所示，原因在于CAV共享車道分擔了近50%的左轉車，使人工駕駛左轉車道上的交通需求所需的綠燈時間減少了40%左右，左轉相位綠燈時間占信號周期的比重急劇下降，故人工駕駛左轉車道的時間利用率迅速下降，而直行相位所包含車道的時間利用率急劇上升。之所以CAV 共享車道的時間利用率提升更高，關鍵在于無論左轉相位還是直行相位，該車道均有車輛通行，其時間利用率為左轉相位與直行相位之和。圖8(b)和圖8(c)刻畫了CHVs在人工駕駛左轉車道和人工駕駛直行車道上的軌跡。圖8(b)中有兩種類型的停車，一種是在進口停車線后，另一種在虛擬停車線后。停車位置取決于CHV在紅燈期間抵達交叉口時其前方車輛是否為CAV?？紤]到人工駕駛直行車道上無CAVs，紅燈期間其上的CHVs將直接在進口停車線后排隊等待。

表5 各車道時間利用率Table 5 Time utilization rate per lane

圖8 部分信號周期車輛軌跡優(yōu)化結果Fig.8 Trajectory optimization results of partial cycles

由此可見，本文提出的CAV 共享車道控制策略盡管會增加CAVs 的停車次數，但總的車均延誤在下降，且大部分進口車道的時間利用率均得到顯著提升，能有效提升交叉口的通行能力。因此，本文提出的CAV 共享車道控制策略是可行且有效的。

Shared-phase-dedicated-lane法與本文提出的優(yōu)化策略在3 種不同交通需求水平下CAV 滲透率對延遲的影響如表6所示。第一列中數值1、2和3表示輸入交通規(guī)模的水平，分別是表2中所列交通量的50%、100%和150%。

表6 不同CAV滲透率下3種交通需求的平均延誤Table 6 Average delay for three demand levels with different CAV penetration rates

從表6中可以看出，隨著輸入交通需求由低到高，與50%CAV滲透率下的Shared-phase-dedicatedlane 法相比，本文提出的方法可分別降低4.82%、0.37%和0.13%的延誤。原因在于中高交通需求下，交通流較穩(wěn)定，兩種方法對CAV共享車道的需求一致(1條)，而在低交通需求下，交通流量及CAV滲透率波動性較大，部分信號周期無需CAV 共享車道效果更佳。

當CAV 滲透率提升到80%時，本文提出方法較Shared-phase-dedicated-lane 法優(yōu)勢更明顯，延誤分別下降了11.77%、9.34%和9.99%。原因在于：Shared-phase-dedicated-lane法只配置1條CAV共享車道，而實際需求為2 條，由此可進一步降低車道組總流率比，壓縮信號周期和每個相位的綠燈時間，因而，延誤下降更明顯。

案例中CAV 共享車道在各信號周期的配置情況如圖9 所示，從中可以看出，CAV 滲透率是決定CAV 共享車道配置與否的關鍵因素，當CAV 滲透率較低時，沒必要配置CAV共享車道。

圖9 CAV滲透率對CAV共享車道配置的影響Fig.9 CAV-shared lane allocation as predicted CAV penetration rate

4.2 敏感性分析

信號控制方案與輸入交通量保持不變，有且僅有1 條CAV 共享車道，逐漸改變交通流中CAV 滲透率的大小，從0～1，步長取0.05，得到的仿真結果如圖10和圖11所示。

圖10 各進口停車率隨CAV滲透率變化Fig.10 Variation of stop rate at each approach with CAV penetration rate

圖11 各進口延誤隨CAV滲透率變化Fig.11 Delay at each approach with CAV penetration rate

(1)從圖10可知，當滲透率介于(0.6,0.8]時，停車率降到最低，[0.0,0.6]范圍內呈現較為穩(wěn)定的下降趨勢，(0.8,1.0]范圍內呈現一定的上升趨勢。當CAV 滲透率低時，CAVs 數量少，CAV 共享車道利用率低，人工駕駛車道卻擁堵嚴重，CAV 滲透率越小，這種不均衡利用就越嚴重，二次停車就越多，停車率就越高；CAV 滲透率逐漸增大，不均衡利用的狀態(tài)逐漸得到改善，二次停車現象逐漸降低，故停車率呈穩(wěn)定下降趨勢。當CAV 滲透率介于(0.6,0.8]時，每相位CAV共享車道與人工駕駛車道均能得到充分利用，在滿足需求的綠燈時間內能夠放行更多的車輛，因而，停車率最??；當CAV 滲透率超過0.8后，又會出現CAV共享車道與人工駕駛車道利用率失衡的問題，且越失衡，停車率上升越快。

(2)從圖11可知，各進口延誤隨CAV滲透率的變化趨勢同停車率基本一致，只不過CAV 滲透率介于(0.55,0.70]時，車均延誤最好，此時，每相位CAV共享車道與人工駕駛車道的利用率接近一致，釋放同等規(guī)模的交通需求所需的相位綠燈時間和信號周期時長最短，故而延誤最小。CAV滲透率過小或過大，均不利于CAV 共享車道與人工駕駛車道的均衡利用，會額外增加每相位的綠燈時間，增大信號周期時長，故而延誤上升。

信號控制方案和輸入交通量不變，CAV 共享車道條數從0～2，CAV 滲透率從0～1 以步長0.05 依次變化，得到的仿真結果如圖12所示。

圖12 不同共享車道數量情況下滲透率對延誤的影響Fig.12 CAV penetration rate on delay under different number of CAV-shared lanes

從圖12中可以看出，當無CAV共享車道時，延誤隨CAV 滲透率增長整體呈下降趨勢，且逐漸趨于穩(wěn)定，原因在于CAV 滲透率的增大可使人機混合駕駛車道的飽和流率提升，在交通需求不變情況下，車道組流率比逐漸下降，信號周期時長縮短，故延誤下降。設置CAV 共享車道后，延誤隨CAV 滲透率從小到大整體呈先降后升的趨勢，歸因于CAV滲透率的改變能否使人工駕駛車道與CAV共享車道得到均衡利用，以及CAV 共享車道設置引起的車道組飽和流率改變是否有利用于促進車道組流率比的下降，若能，則延誤較??；否則，延誤變大。

此外，在進口車道條數確定的情況下，CAV 共享車道設置與否，及設置幾條車道與CAV 滲透率密切相關。當CAV 滲透率小于0.35 時，不設置CAV 共享車道效果最好；當CAV 滲透率介于[0.35,0.70]時，設置1 條CAV 共享車道效果最佳；而當CAV 滲透率超過0.7 時，宜設置2 條及以上CAV 共享車道。

5 結論

本文提出了一種CAV 共享車道的動態(tài)配置方法，并構建了左轉CAVs 與直行CAVs 共用CAV 共享車道的調度算法。仿真結果表明，相較于Dynamic CAV-dedicated lane法，本文提出的配置策略盡管會增加CAVs 的停車次數，但能降低車均延誤，且大部分進口車道的時間利用率均能得到顯著改善；與Shared-phase-dedicated-lane 法相比，適應實時交通需求的動態(tài)調節(jié)能力增強，也能帶來車均延誤一定程度的下降。